Pembuatan Aplikasi Peramalan Jumlah Perm

(1)

Abstrak— Peramalan jumlah permintaan pasang baru produk Speedy merupakan hal yang sangat penting dilakukan bagi perusahaan PT. Telekomunikasi Indonesia, Tbk. Karena dengan adanya peramalan jumlah permintaan pasang baru produk, maka pihak manajemen akan dapat melakukan perencanaan pemasangan pasang baru dan pengambilan keputusan secara efektif dan efisien. Selama ini, PT. Telekomunikasi Indonesia Regional Jawa Timur wilayah Surabaya belum melakukan perencanaan pemasangan pasang baru produk Speedy.

Oleh karena itu, pada penelitian ini akan dilakukan pembuatan aplikasi metode peramalan Exponential Smoothing Holts Winter untuk memperkirakan jumlah permintaan pasang baru produk Speedy periode berikutnya. Metode Holts Winter digunakan karena merupakan metode terbaik untuk menangani data musiman.

Hasil yang didapatkan dari uji coba adalah metode Holts Winter memiliki akurasi yang cukup baik dengan nilai MAPE di antara 20%-50%, yaitu sebesar 20,33%. Dengan akurasi tersebut, hasil peramalan ini diharapkan dapat membantu pihak perusahaan dalam membuat perencanaan yang lebih efektif dan efisien, khususnya dalam menentukan permintaan pasang baru produk Speedy.

Kata kunci— peramalan, pasang baru, Holts Winter, perencanaan, produk

I. PENDAHULUAN

Perkembangan teknologi yang pesat membuat masyarakat dihadapkan pada kondisi ketergantungan pada kegunaan teknologi. Tak terkecuali dengan perkembangan teknologi informasi berbasis internet. Masyarakat sudah tidak buta mengenai internet. Bahkan mereka menganggap internet sebagai gaya hidup mereka. Hal itu ditandai dengan semakin meningkatnya jumlah pengguna internet di negeri ini. Pada tahun 2000 pengguna internet masih 1% dari jumlah populasi di Indonesia. Kemudian 10 tahun berikutnya meningkat menjadi 12,30% dari keseluruhan populasi di Indonesia (www.internetworldstats.com, 2013).

Dengan kebutuhan internet yang sudah mendekati kebutuhan primer tersebut, PT. Telekomunikasi Indonesia Tbk (Telkom) selaku penyedia layanan internet dengan Speedy sebagai produk utamanya, menyediakan berbagai jenis paket internet yang disesuaikan dengan kebutuhan masyarakat. Mulai dari paket untuk penggunaan internet di rumah, penggunaan internet di warnet sampai paket untuk penggunaan internet di kalangan pendidikan.

Melalui produk unggulan layanan Telkom tersebut, diperlukan sebuah kondisi untuk memperkirakan jumlah permintaan layanan Speedy di masa yang akan datang.. Proses

untuk memperkirakan permintaan inilah yang disebut dengan peramalan. Dalam melakukan peramalan dibutuhkan data masa lalu yang dijadikan landasan dalam menentukan analisis ke depannya. Tidak hanya sekedar melihat data, namun harus diperhatikan juga metode apa yang akan digunakan dalam proses peramalan. Dari hasil peramalan tersebut akan digunakan dalam proses pengambilan keputusan yang dilakukan oleh perusahaan.

Dalam melakukan suatu peramalan penjualan, diperlukan suatu metode peramalan yang tepat untuk memperhitungkan data penjualan di masa lampau untuk kemudian digunakan dalam pengambilan keputusan di masa yang akan datang. Dalam Tugas Akhir kali ini akan digunakan model time series. Metode yang digunakan dalam meramalkan penjualan layanan internet speedy ialah metode Exponential Smoothing Holts Winter. Metode tersebut digunakan karena berdasarkan pola data yang dimiliki dan bisa digunakan untuk time series baik untuk linier trends maupun nonlinier trends (Makridakis, 1999).

Selain itu, pada penelitian sebelumnya yang dilakukan S.Hilas, Constantinos, dkk (2005) telah diterapkan analisis time series dengan menggunakan berbagai perbandingan metode, seperti Seasonal Decomposition, Exponential Smoothing Holts Winter untuk peramalan data telekomunikasi di University Campus. Hasil dari penelitian ini membuktikan bahwa metode Holts Winter memberikan nilai RMSE dan MAPE paling kecil dibandingkan dengan metode peramalan lain seperti dekomposisi, Single Exponential Smoothing. Dengan metode tersebut, berikutnya dapat diketahui hasil peramalan data-data penjualan di waktu terdahulu untuk kemudian dapat digunakan untuk mengetahui bulan-bulan mana saja yang sepi penjualannya.

Oleh karena itu, untuk memudahkan PT. Telkom dalam melakukan peramalan, dalam Tugas Akhir ini akan dibuatkan aplikasi peramalan dengan menggunakan metode Holts Winter memanfaatkan fasilitas makro excel dengan pemrograman VBA sehingga pada akhirnya pihak perusahaan dapat dengan mudah mengambil keputusan dalam rangka promosi pasang baru produk Speedy.

II. METODE

Berikut ini adalah gambar metodologi tugas akhir yang digunakan dalam tugas akhir.

PEMBUATAN APLIKASI PERAMALAN JUMLAH

PERMINTAAN PRODUK DENGAN METODE

TIME

SERIES

EXPONENTIAL SMOOTHING HOLTS WINTER

DI PT. TELEKOMUNIKASI INDONESIA Tbk.

Riansyah Halimi, Wiwik Anggraeni, S.Si, M.Kom., Raras Tyasnurita S.Kom., MBA. Jurusan Sistem Informasi, Fakultas Teknologi Informasi Institut Teknologi Sepuluh Nopember

Jl. Sukolilo, Surabaya 60111

(2)

A. Perancangan Aplikasi

Pada bagian ini akan dijelaskan mengenai model data masukan (input) untuk metode yang akan digunakan untuk melakukan peramalan.

 Analisis Kebutuhan Masukan Aplikasi

Untuk melakukan peramalan dengan menggunakan metode Holts Winter maka model data yang dimasukkan pada aplikasi harus bersifat integer.

Data tersebut harus dimasukkan dalam file .xls. Hal ini dilakukan agar proses peramalan dapat dengan mudah dilakukan. Data yang akan dimasukkan ke dalam sistem sebagai berikut :

1) Data aktual

Data aktual ini merupakan kumpulan data yang akan digunakan untuk peramalan dalam periode berikutnya. Data aktual ini nantinya akan dipecah menjadi data pelatihan dan data pengujian. Sistem akan mengolah data pelatihan terlebih dahulu untuk kemudian dicari nilai optimum yang dihasilkan oleh model. Proporsi pembagian data yang digunakan dalam sistem ialah 70:30.

 Analisis Kebutuhan Keluaran Aplikasi a) Model Optimum

Model optimum ini berisikan nilai dari a, ß, dan γ yang didapatkan dari pencarian model yang memiliki nilai MAPE paling minimum (paling kecil) yang berasal dari data pelatihan. Optimum model ini akan ditampilkan secara langsung pada halaman aplikasi. Kemudian hasil dari nilai optimum ini digunakan untuk perhitungan data pengujian.

Teknik yang digunakan dalam mencari nilai optimum yaitu teknik bruteforce. Pada penelitian sebelumnya yang dilakukan oleh Kärkkäinen, Ismo dan Fränti , Pasi (2002) telah diterapkan teknik bruteforce untuk mencari nilai kluster yang belum diketahui. Hasil dari penelitian tersebut menunjukkan bahwa teknik brute force mampu mencari nilai kluster.

b) MAPE (Mean Average Percentage Error)

Nilai MAPE ini merupakan nilai persentase yang diperoleh dari hasil perhitungan rata-rata nilai absolute (error) yang dihasilkan dari perhitungan data pelatihan maupun pengujian.

c) Data Proses Peramalan

Proses ini berisikan data hasil peramalan yang dihasilkan dari proses peramalan sebanyak n periode selanjutnya. B. Perancangan Proses Aplikasi

Pada bagian ini dijelaskan mengenai alur kerja (proses) dari masing-masing metode yang digunakan sistem untuk melakukan proses peramalan. Alur kerja dari aplikasi yang akan dibuat akan dijabarkan secara detail mulai dari awal sampai sistem berhenti.

Alur kerja (proses) dari system yang mengimplementasikan metode Holts Winter ini memiliki tiga bagian utama yaitu: input data, pelatihan process atau pengujian process, dan forecasting process.

1) Alur kerja data masukan

Aplikasi akan memilih data yang akan diramalkan dengan mengambil data yang berada dibawah kolom sales.

2) Pelatihan data

Aplikasi akan memilah sejumlah data dengan proporsi yang telah diatur sebelumnya untuk penentuan model.

3) Pengujian data

Setelah melalui proses pelatihan, maka aplikasi akan melanjutkan ke proses selanjutnya yaitu proses pengujian. Proses pengujian akan otomatis mengambil proporsi data 30% dari keseluruhan data yang dimiliki dan mengatur nilai optimum model yang dihasilkan dari proses pelatihan di halaman aplikasi untuk kemudian menguji error dari model pengujian. Pengujian data berisi kumpulan data yang digunakan untuk menguji keakuratan hasil peramalan model.

4) Peramalan data

Proses peramalan data diperlukan untuk mengetahui nilai ramalan sejumlah n-periode ke depan. Forecast data menggunakan nilai dari periode yang lalu (Makridakris, 1999) untuk meramalkan periode ke depan.

(3)

C. Gambaran Umum Aplikasi untuk Pengguna

Gambaran secara umum aplikasi peramalan untuk pengguna dapat dilihat pada gambar (2) berikut ini.

Gambar 2 Gambaran Umum Sistem untuk Pengguna

Pengguna aplikasi adalah pegawai perusahaan yang akan memakai aplikasi peramalan. Pengguna akan memasukkan sejumlah data yang ingin diramalkan. Kemudian user akan menekan tombol training! untuk mendapatkan nilai optimum model. Selanjutnya user menekan tombol testing! untuk mengetahui nilai akurasi peramalan. Dan langkah terakhir yaitu user mengisi sejumlah periode yang ingin diramalkan dengan menekan tombol forecast!.

III. HASILDANPEMBAHASAN A. Uji Coba dan Analisis Hasil

Pada bagian uji coba dan analisis hasil ini dijelaskan mengenai uji coba yang dilakukan untuk mengetahui keakuratan sistem dan metode yang digunakan. Di dalam bab ini dijelaskan pula analisis hasil yang diperoleh dari proses implementasi sistem yang telah dibahas pada bab 4 serta analisis hasil yang diperoleh dari proses uji coba pada bab ini. 1) Verifikasi Aplikasi

Untuk memastikan apakah program yang telah dibuat sudah bebas dari error maka perlu dilakukan uji coba dan verifikasi. Langkah pertama dalam melakukan uji coba dan verifikasi adalah dengan melihat pada program yang telah dibuat, apakah ada kesalahan yang ditandai dengan adanya tanda error. Pada gambar 3 berikut terdapat tulisan berwarna merah yang menandakan bahwa kode program terdapat error.

Gambar 3 Verifikasi Aplikasi

Apabila pada program sudah tidak terdapat tanda error maka langkah selanjutnya adalah melakukan proses running untuk mengetahui hasil yang dikeluarkan program.

Hasil yang didapat dalam verifikasi aplikasi yaitu sebagai berikut:

a)Pengujian dengan mengganti parameter nilai presisi sistem 0,1

Gambar 4 Nilai presisi sistem 0,1

Pada gambar 4 nilai presisi yang digunakan dalam sistem yaitu sebesar 0,1. Dan tidak ditemukan adanya tanda error yang ditandai dengan tidak adanya kode yang berwarna merah. Aplikasi juga mampu melakukan perhitungan dengan catatan waktu 1 menit. MAPE yang didapatkan ialah sebesar 34,17%.

b)Pengujian dengan mengganti parameter nilai presisi sistem 0,01

Pada gambar 5 nilai presisi yang digunakan dalam sistem yaitu sebesar 0,01. Dan tidak ditemukan adanya tanda error yang ditandai dengan tidak adanya kode yang berwarna merah. Aplikasi mampu melakukan perhitungan namun tidak secepat nilai presisi 0,1. Waktu yang dibutuhkan oleh aplikasi ialah kurang lebih 6 jam. MAPE yang didapatkan untuk data pelatihan ialah sebesar 32,08%.

c)Pengujian dengan mengganti parameter nilai presisi sistem 0,001

Pada gambar 5.4 nilai presisi yang digunakan dalam sistem yaitu sebesar 0,001. Ketika melakukan proses ditemukan adanya tanda error yang ditandai dengan dialog box “out of reach”. Aplikasi tidak mampu melakukan perhitungan karena proses perhitungan untuk masing-masing nilai 0,001 sebanyak tiga kali, yaitu menghitung nilai alpha, beta dan gamma. 2) Uji Coba dan Analisis Hasil

Uji coba yang akan dilakukan meliputi tahap uji coba dan analisis hasil uji coba dalam menghitung nilai ramalan di periode yang akan datang dengan menggunakan Microsoft Excel dan aplikasi yang telah dihasilkan pada tahap sebelumnya menggunakan metode time series Exponential Smoothing Holts Winter:

1)Penggantian proporsi data

(4)

Tabel 1 Tabel proporsi 80:20

MAPE

Pelatihan 34,17%

Pengujian 39,32%

Error pelatihan yang dihasilkan dari proporsi data 80:20 adalah sebesar 34,17%. Nilai tersebut masih dalam batas yang diperbolehkan dalam nilai error peramalan yaitu dalam batas 20%-50%. Nilai yang dihasilkan melalui evaluasi ini, menunjukkan kemampuan peramalan seperti yang ditunjukkan dalam kriteria MAPE pada Tabel 2 (Chang, Wang, & Liu, 2007).

Tabel 2 Kriteria MAPE

MAPE Pengertian

< 10% Kemampuan peramalan sangat baik 10% - 20% Kemampuan peramalan baik 20% - 50% Kemampuan peramalan cukup

> 50% Kemampuan peramalan buruk

Sedangkan nilai error yang dihasilkan dari validasi sebesar 39,32%. Nilai tersebut menggunakan nilai optimum model yang dihasilkan dari model pelatihan. Tabel (3) berikut mengenai nilai optimum model yang dihasilkan oleh data pelatihan dengan proporsi 80:20.

Tabel 3 Nilai optimum model proporsi 80:20

ALPHA BETA GAMMA

0.8 0.9 1

 Dengan menggunakan proporsi 70:30, maka hasil yang didapatkan dari running sistem dapat dilihat pada tabel (4) berikut :

MAPE

Pelatihan error yang dihasilkan dari proporsi data 70:30 adalah sebesar 35,83%. Nilai tersebut masih dalam batas yang diperbolehkan dalam nilai error peramalan yaitu dalam batas 20%-50%. Sedangkan nilai error yang dihasilkan dari validasi sebesar 24,20%. Nilai tersebut menggunakan nilai optimum model yang dihasilkan dari model pelatihan. Tabel (5) berikut mengenai nilai optimum model yang dihasilkan oleh data pelatihan dengan proporsi 70:30.

ALPHA BETA GAMMA

0.9 0.1 0.1

MAPE

Pelatihan error yang dihasilkan dari proporsi data 60:40 adalah sebesar 37,94%. Nilai tersebut masih dalam batas yang diperbolehkan dalam nilai error peramalan yaitu dalam batas 20%-50%. Sedangkan nilai error yang dihasilkan dari validasi sebesar 25,69%. Nilai tersebut menggunakan nilai optimum model yang dihasilkan dari model pelatihan. Tabel (7) berikut mengenai nilai optimum model yang dihasilkan oleh data pelatihan dengan proporsi 60:40.

ALPHA BETA GAMMA

1 1 0.1

MAPE

Pelatihan error yang dihasilkan dari proporsi data 50:50 adalah sebesar 26,14%. Nilai tersebut masih dalam batas yang diperbolehkan dalam nilai error peramalan yaitu dalam batas 20%-50%. Sedangkan nilai error yang dihasilkan dari validasi sebesar 71,39%. Error tersebut lebih dari batas normal yang diperbolehkan dalam peramalan yaitu melebihi 50% sehingga error tersebut sangat buruk. Nilai tersebut menggunakan nilai optimum model yang dihasilkan dari model pelatihan. Tabel (9) berikut mengenai nilai optimum model yang dihasilkan oleh data pelatihan dengan proporsi 50:50.

ALPHA BETA GAMMA

0.1 0.1 0.1

Dari ujicoba penggantian proporsi data pelatihan dan pengujian, maka proporsi data yang paling bagus ialah yang menggunakan proporsi data 70:30 dengan nilai optimum parameternya 0,9, 0,1, 0,1 dengan hasil MAPE pelatihan yang bernilai 35,83% dan MAPE pengujian yang bernilai 24,20%.

2) Penggantian nilai optimum model terhadap nilai proporsi data untuk mencari nilai akurasi peramalan terbaik

(5)

masing-masing proporsi data yang ada. Berikut nilai optimum model yang didapatkan dari masing-masing proporsi data. Nilai optimum model dengan proporsi 80 : 20 ialah sebesar 0.8, 0.9, 1 dengan nilai akurasi peramalan pengujian sebesar 39,32%.. Hasil tersebut akan dibandingkan terhadap proporsi data yang berbeda yang ditampilkan pada tabel berikut ini :

Tabel 10 Nilai optimum model 0.8, 0.9, 1

Proporsi data MAPE

80 : 20 39,32 %

70 : 30 69,08 %

60 : 40 43,48 %

50 : 50 248,60 %

Dari tabel (10) diatas menunjukkan bahwa nilai optimum model 0.8, 0.9, 1 dengan nilai akurasi peramalan terendah ialah data dengan proporsi 80:20. Sedangkan nilai akurasi peramalan tertinggi atau terburuk dimiliki oleh data dengan proporsi 50:50.

Nilai optimum model dengan proporsi 70 : 30 ialah sebesar 0.9, 0.1, 0.1 dengan nilai akurasi peramalan pengujian sebesar 24,20%. Hasil tersebut akan dibandingkan terhadap proporsi data yang berbeda yang ditampilkan pada tabel berikut ini :

Tabel 11 Nilai optimum model 0.9, 0.1, 0.1

Proporsi data MAPE

80 : 20 28,01 %

70 : 30 24,20 %

60 : 40 20,33%

50 : 50 113,65 %

Dari tabel (11) diatas menunjukkan bahwa nilai optimum model 0.9, 0.1, 0.1 dengan nilai akurasi peramalan terendah ialah data dengan proporsi 60:40. Sedangkan nilai akurasi peramalan tertinggi atau terburuk dimiliki oleh data dengan proporsi 50:50 dengan nilai akurasi sebesar 113,65%.

Nilai optimum model dengan proporsi 60 : 40 ialah sebesar 1, 1, 0.1 dengan nilai akurasi peramalan pengujian sebesar 25,69%. Hasil tersebut akan dibandingkan terhadap proporsi data yang berbeda yang ditampilkan pada tabel berikut ini :

Tabel 12 Nilai optimum model 1, 1, 0.1

Proporsi data MAPE

80 : 20 30,25 %

70 : 30 25,68 %

60 : 40 25,69 %

50 : 50 114,90 %

Dari tabel (12) diatas menunjukkan bahwa nilai optimum model 1, 1, 0,1 dengan nilai akurasi peramalan terendah ialah data dengan proporsi 70:30 dengan nilai akurasi peramalan berbeda 0,01% dengan proporsi data 60:40 yaitu sebesar 25,68%.. Sedangkan nilai akurasi peramalan tertinggi atau terburuk dimiliki oleh data dengan proporsi 50:50 dengan nilai sebesar 114,90%.

Nilai optimum model dengan proporsi 50 : 50 ialah sebesar 0.1, 0.1, 0.1 dengan nilai akurasi peramalan pengujian sebesar 71,39%. Hasil tersebut akan dibandingkan terhadap proporsi data yang berbeda yang ditampilkan pada tabel berikut ini :

Tabel 13 Nilai optimum model 0.1, 0.1, 0.1

Proporsi data MAPE

80 : 20 27,94 %

70 : 30 26,73 %

60 : 40 22,89 %

50 : 50 71,39 %

Dari tabel (13) diatas menunjukkan bahwa nilai optimum model 0,1, 0.1, 0.1 dengan nilai akurasi peramalan terendah ialah data dengan proporsi 60:40 dengan nilai akurasi peramalan sebesar 22,89%.. Sedangkan nilai akurasi peramalan tertinggi atau terburuk dimiliki oleh data dengan proporsi 50:50 dengan nilai sebesar 71,39%.

Dari hasil perbandingan proporsi data dengan mengganti nilai optimum model diatas didapatkan bahwa data dengan nilai proporsi 60:40 dibandingkan dengan proporsi data yang lain dengan nilai optimum model yang digunakan sama yaitu 0.9, 0.1, 0.1 mempunyai nilai akurasi peramalan terbaik sebesar 20,80%. Sedangkan untuk nilai akurasi peramalan terburuk yang didapatkan dari nilai proporsi data 50:50 dengan nilai optimum model 0.8, 0.9, 1 sebesar 248,60%. Tidak hanya untuk nilai optimum model 0.8, 0.9, 1 yang memiliki nilai akurasi peramalan buruk. Nilai optimum model pada tabel 5.22, 5.23 dan 5.24 juga memiliki nilai akurasi peramalan yang buruk dengan masing-masing nilai sebesar 113,65%, 114,90% dan 71,39%.

3) Peramalan data

(6)

Gambar 7 Nilai ramalan 10 periode ke depan

IV. KESIMPULAN

Berdasarkan proses-proses yang telah dilakukan dalam pengerjaan tugas akhir ini maka ada beberapa kesimpulan yang dapat diambil, diantaranya adalah :

1. Proporsi data 70:30 menghasilkan nilai akurasi peramalan untuk data pelatihan sebesar 35,83% dan data pengujian sebesar 24,20% dengan nilai optimum model sebesar 0.9, 0.1, dan 0.1.

2. Penggunaan nilai akurasi 0.1 pada aplikasi

menghasilkan nilai akurasi peramalan untuk data pelatihan sebesar 35,83% dan data pengujian sebesar 24,20% dengan menggunakan proporsi 70:30 dan menghasilkan nilai optimum model sebesar 0.9, 0.1, dan 0.1 serta waktu yang dibutuhkan kurang lebih 1 menit.

3. Dengan menggunakan nilai optimum model yang

didapat dari proporsi data 70:30 yaitu sebesar 0.9, 0.1, dan 0.1, hasil yang didapatkan proporsi data 60:40 memiliki nilai akurasi peramalan yang lebih baik dari proporsi data yang lainnya yaitu sebesar 20,33%.

DAFTAR PUSTAKA

[1]C.E. Holt, Forecasting trends and seasonals by exponentially weighted moving averages, ONR Memorandum, vol. 52, Carnegie Institute of Technology, Pittsburg, USA, 1957, Reprinted: International Journal of Forecasting, 20, 5–10 (2004).

[2]Gaynor, P. E. Dan Kirkpatrick R. C. 1994. Introduction to Time Series Modelling and Forecasting ini Business and Economic. Singapura : Mc. Graw Hill.

[3]Hanke, J.E., Wichern, D.W., Reitsch, A.G. 2003. Peramalan Bisnis. PT. Prenhallindo. Jakarta

[4]Makridakis, S.G., Wheelwright, S.C., V.E. McGee, Forecasting: Methods and Applications, 2nd ed., Wiley, New York, 1998. [5]Makridakis, S.G., Wheelwright, S.C., Hyndman, Rob J.,

Forecasting: Methods and Applications, 3d ed., Wiley, New York, 1998.

[6]Mulyono, S. 2000. Peramalan Bisnis dan Ekonometrika. Edisi ke-1, Badan Penerbit Fakultas Ekonomi Yogyakarta. Yogyakarta. [7]R. Yaffee, M. McGee, Introduction to Time Series Analysis and